[发明专利]模型训练及缺陷识别方法、装置、电子设备和存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

利用已标注样本集对待训练缺陷识别模型进行训练，得到初始缺陷识别模型；

利用所述初始缺陷识别模型，对未标注样本集中的未标注样本进行不确定度评估，选取出k个未标注样本；k为大于等于1的自然数；所述k个未标注样本中每个未标注样本对应的不确定度，大于所述未标注样本集中与所述k个未标注样本不同的每个未标注样本对应的不确定度；

对所述k个未标注样本进行工业缺陷标注，得到k个已标注样本；

利用所述k个已标注样本和所述已标注样本集，对所述初始缺陷识别模型进行训练，得到已训练缺陷识别模型。

2.根据权利要求1所述的方法，其特征在于，所述利用所述初始缺陷识别模型，对未标注样本集中的未标注样本进行不确定度评估，选取出k个未标注样本，包括：

针对所述未标注样本集中每个未标注样本，利用所述初始缺陷识别模型进行工业缺陷识别，得到对应的缺陷识别结果；

针对所述未标注样本集中每个未标注样本，根据对应的缺陷识别结果确定对应的不确定度；

从所述未标注样本集中，按照对应的不确定度从大到小选取未标注样本，直至选取出的未标注样本数量达到k个，得到所述k个未标注样本。

3.根据权利要求2所述的方法，其特征在于，所述针对所述未标注样本集中每个未标注样本，根据对应的缺陷识别结果确定对应的不确定度，包括：

针对所述未标注样本集中每个未标注样本，根据对应的缺陷识别结果计算对应的信息熵；

针对所述未标注样本集中每个未标注样本，将对应的信息熵作为对应的不确定度。

4.根据权利要求2所述的方法，其特征在于，所述从所述未标注样本集中，按照对应的不确定度从大到小选取未标注样本，直至选取出的未标注样本数量达到k个，得到所述k个未标注样本，包括：

将所述未标注样本集中的未标注样本，按照对应的不确定度从大到小排序，得到未标注样本序列；

从所述未标注样本序列中，依次选取出前k个未标注样本，得到所述k个未标注样本。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述利用所述k个已标注样本和所述已标注样本集，对所述初始缺陷识别模型进行训练，得到已训练缺陷识别模型之后，所述方法还包括：

在所述已训练缺陷识别模型的精确度未达到期望精确度的情况下，继续采用不确定度评估的方式，为所述已训练缺陷模型提供样本进行训练，直至满足预设模型训练终止条件。

6.根据权利要求5所述的方法，其特征在于，所述预设模型训练终止条件包括：所述已训练缺陷识别模型的精确度达到所述期望精确度，或者，累计实现工业缺陷标注的样本数量达到预设数量。

7.一种缺陷识别方法，其特征在于，包括：

获取待识别图像；

利用已训练缺陷识别模型对所述待识别图像进行工业缺陷识别，得到所述待识别图像对应的缺陷识别结果；其中，所述已训练缺陷识别模型是通过权利要求1-6任一项所述的方法训练得到的。

8.一种模型训练装置，其特征在于，包括：

模型训练模块，用于利用已标注样本集对待训练缺陷识别模型进行训练，得到初始缺陷识别模型；

样本挖掘模块，用于利用所述初始缺陷识别模型，对未标注样本集中的未标注样本进行不确定度评估，选取出k个未标注样本；k为大于等于1的自然数；所述k个未标注样本中每个未标注样本对应的不确定度，大于所述未标注样本集中与所述k个未标注样本不同的每个未标注样本对应的不确定度；对所述k个未标注样本进行工业缺陷标注，得到k个已标注样本；

所述模型训练模块，还用于利用所述k个已标注样本和所述已标注样本集，对所述初始缺陷识别模型进行训练，得到已训练缺陷识别模型。